Modellazione statistica della connettività corticale mediante elettroencefalogrammi non invasivi
Summary
Le tecniche di analisi EEG standard offrono una visione limitata della funzione del sistema nervoso. La derivazione di modelli statistici di connettività corticale offre una capacità molto maggiore di studiare le dinamiche di rete sottostanti. Una migliore valutazione funzionale apre nuove possibilità per la diagnosi, la prognostizione e la previsione dell’esito nelle malattie del sistema nervoso.
Abstract
Le registrazioni elettrofisiologiche non invasive sono utili per la valutazione della funzione del sistema nervoso. Queste tecniche sono economiche, veloci, replicabili e meno dispendiose in termini di risorse rispetto all’imaging. Inoltre, i dati funzionali prodotti hanno un’eccellente risoluzione temporale, che non è realizzabile con l’imaging strutturale.
Le attuali applicazioni degli elettroencefalogrammi (EEG) sono limitate dai metodi di elaborazione dei dati. Le tecniche di analisi standard che utilizzano dati di serie temporali grezzi su singoli canali sono metodi molto limitati per interrogare l’attività del sistema nervoso. È possibile ottenere informazioni più dettagliate sulla funzione corticale esaminando le relazioni tra i canali e ricavando modelli statistici di come interagiscono le aree, consentendo la visualizzazione della connettività tra le reti.
Questo manoscritto descrive un metodo per la derivazione di modelli statistici di attività di rete corticale registrando EEG in modo standard, quindi esaminando le misure di coerenza interelettrode per valutare le relazioni tra le aree registrate. Le interazioni di ordine superiore possono essere ulteriormente esaminate valutando la covarianza tra le coppie di coerenza, producendo “mappe” ad alta dimensione delle interazioni di rete. Questi costrutti di dati possono essere esaminati per valutare la funzione della rete corticale e la sua relazione con la patologia in modi non raggiungibili con le tecniche tradizionali.
Questo approccio offre una maggiore sensibilità alle interazioni a livello di rete rispetto a quanto è ottenibile con l’analisi di serie temporali non elaborate. È, tuttavia, limitato dalla complessità di trarre conclusioni meccanicistiche specifiche sulle popolazioni neurali sottostanti e gli elevati volumi di dati generati, richiedendo tecniche statistiche più avanzate per la valutazione, compresa la dimensionalità riduzione e gli approcci basati sul classificatore.
Introduction
Questo metodo mira a produrre mappe statistiche di reti corticali basate su registrazioni di elettrodi non invasivi utilizzando una configurazione clinicamente fattibile, per consentire lo studio della patologia del sistema nervoso, l’impatto di nuovi trattamenti e lo sviluppo di nuovi biomarcatori elettrofisiologici.
EEG offre un grande potenziale per lo studio della funzione del sistema nervoso e della malattia1,2. Questa tecnologia è poco costosa, prontamente disponibile in ambito di ricerca e clinico, e generalmente ben tollerata. La natura semplice e non invasiva delle registrazioni rende l’uso clinico semplice e il quadro esistente dei reparti EEG clinici consente un facile accesso alla tecnologia per i medici.
Da un punto di vista tecnico, EEG offre un’eccellente risoluzione del dominio del tempo3. Questo è di grande importanza quando si studia la funzione del sistema nervoso a causa delle rapide scale temporali delle interazioni del sistema nervoso e dinamiche di rete. Mentre i metodi di imaging come la risonanza magnetica funzionale offrono una maggiore risoluzione spaziale e immagini facilmente interpretabili, sono molto più limitati nella loro capacità di interrogare la funzione del sistema nervoso sulle scale temporali fini offerte dalle registrazioni elettrofisiologiche 4,5,6.
C’è una crescente necessità di capacità di interrogare la funzione del sistema nervoso per informare la diagnosi, il trattamento e la pronosticazione delle malattie del sistema nervoso. Il ruolo delle dinamiche della rete corticale nella patologia del sistema nervoso è sempre più riconosciuto7. Molte patologie del sistema nervoso non producono lesioni strutturali macroscopiche visibili con l’imaging tradizionale, ma le anomalie prodotte a livello di rete possono essere evidenti con adeguati metodi di analisi funzionale.
Purtroppo, gli attuali metodi di analisi EEG sono molto limitati a questo proposito. I metodi tradizionali prevedono l’analisi di semplici dati di serie temporali provenienti da singoli elettrodi. Questi segnali rappresentano la somma dei potenziali di campo nelle grandi aree corticali3,8. L’analisi dei dati provenienti da singoli canali in isolamento mediante ispezione visiva o semplici metodi statistici limita l’utilità di queste registrazioni a rilevare anomalie elettrofisiologiche lorde in posizioni discrete e singole. Con il crescente riconoscimento dell’importanza degli effetti a livello di rete per la funzione e la patologia del sistema nervoso, questi semplici metodi di analisi sono chiaramente carenti in quanto non riusciranno a rilevare sottili relazioni tra i segnali, rappresentando anomalie nel modo in cui le aree corticali interagiscono tra loro a livello di rete.
Viene dimostrato un metodo per derivare mappe statistiche della connettività di rete corticale da registrazioni di elettrodi a bassa dimensione. Questo metodo consente di sforare le dinamiche delle interazioni tra diverse regioni cerebrali in un modo che non è possibile con le tecniche di analisi tradizionali, così come la visualizzazione di queste interazioni di rete. Questo apre la possibilità di un’indagine non invasiva degli effetti a livello di rete ad alte risoluzioni di dominio in modi non precedentemente possibili. Questo metodo si basa sulla derivazione di misure di coerenza interelettrodia9,10. Queste misure consentono di soccorrere il modo in cui due regioni registrate interagiscono valutando le relazioni statistiche tra le registrazioni di queste aree11. Valutando il modo in cui ogni area registrata interagisce con ogni altra area registrata, è possibile creare una mappa statistica delle reti elettrofisiologiche all’interno delle aree registrate. Ciò consente la scoperta di relazioni funzionali che non sono evidenti nella valutazione dei dati dei singoli canali in isolamento.
L’obiettivo di questo manoscritto è sull’uso della coerenza sulle serie temporali neurali. Attualmente, ci sono una serie di tecniche per studiare le relazioni tra i dati di serie temporali che possono essere applicate ai canali in modo coppie per derivare modelli di connettività corticale. Alcuni metodi, come la relativa coherence parziale diretta12,13, mirano a dedurre la direzione di influenza della coppia di segnali indagati al fine di caratterizzare meglio la struttura delle reti sottostanti, mentre altri metodi, come La causalità Granger14,15, tentano di dedurre le relazioni funzionali attraverso la capacità di un segnale di prevedere i dati in un altro. Metodi come questi possono essere applicati in modi simili per generare modelli ad alta dimensione di reti corticali. Tuttavia, i vantaggi della coerenza come mezzo per studiare le relazioni tra i segnali neurali sta nella sua mancanza di ipotesi. È possibile studiare le relazioni statistiche tra le registrazioni in due siti senza fare dichiarazioni sulla base funzionale di queste relazioni e costruire un modello di connettività corticale basato esclusivamente sulle relazioni statistiche con ipotesi minime circa le reti corticali che generano questi segnali.
A causa della natura puramente matematica di queste misure, la relazione tra le misure di coerenza delle registrazioni degli elettrodi sul cuoio capelluto e l’attività neurale sottostante è complessa16,17. Mentre questi metodi consentono la derivazione di costrutti statistici che descrivono le relazioni tra le registrazioni degli elettrodi per il confronto, fare inferenze causali dirette sull’attività delle specifiche popolazioni neurali sottostanti non è semplice3,8,16,17. Questi approcci consentono di confrontare l’attività a livello di rete tra gruppi per identificare biomarcatori potenzialmente utili, ma sono limitati in termini di trarre conclusioni specifiche per quanto riguarda la relazione di questi marcatori con meccanismi neurali specifici. Ciò è dovuto al gran numero di fattori di confusione che influenzano l’attività registrata3, così come ai problemi con la stima della specifica fonte corticale di segnali elettrici registrati a livello del cuoio capelluto8. Piuttosto, questi approcci possono produrre modelli statistici di attività che possono essere interrogati e confrontati tra i gruppi per determinare che esistono differenze a livello di rete18 e possono essere sfruttati per produrre nuovi biomarcatori basati su questi Costrutti. Tuttavia, questi metodi da soli hanno una capacità limitata di mettere in relazione le differenze osservate a meccanismi specifici e attività neurali a causa della complessità del sistema sottostante.
L’uso di misure di rete come la coerenza è ben consolidato nei sistemi neuroscienze16,17. Il pieno potenziale di questi approcci per la modellazione e lo studio della funzione corticale è stato limitato dalla mancanza di sfruttamento di queste strutture di dati ad alta dimensione. Questo lavoro dimostra che è possibile applicare queste misure ai canali EEG in modo coppieto per mappare i dati su uno spazio di feature ad alta dimensione basato esclusivamente sulle relazioni statistiche tra l’attività elettrica nelle regioni corticali. Dimostra inoltre che, utilizzando moderne tecniche statistiche, è possibile utilizzare i modelli generati della funzione corticale per studiare questi modelli senza perdere le informazioni acquisite nel processo di modellazione.
Questo metodo è potenzialmente utile per ampliare la portata delle applicazioni delle tecnologie EEG esistenti, migliorando la capacità di derivare utili misure funzionali senza richiedere adattamenti alle apparecchiature di registrazione esistenti18,19 . Migliorando la capacità di modellare la funzione corticale e interrogare questi modelli, vengono ampliate le domande che possono essere studiate utilizzando i dati EEG. Questo apre ulteriormente la possibilità di una maggiore integrazione delle valutazioni funzionali e strutturali per lo studio della malattia neurologica20,21. Questo approccio, utilizzando una tecnologia già ampiamente disponibile clinicamente, consentirebbe di sforare patologie corticali ad alta risoluzione temporale e spaziale.
Protocol
Representative Results
Discussion
Il metodo descritto consente la derivazione di mappe statistiche delle dinamiche della rete corticale da dati EEG non invasivi. Ciò consente di esaminare fenomeni non immediatamente evidenti all’esame di semplici dati di serie temporali attraverso la valutazione di come le regioni registrate interagiscono tra loro, piuttosto che valutare ciò che sta accadendo in ogni singola località in isolamento. Questo può rivelare importanti intuizioni sulla patologia della malattia18.
<p class="jove_c…Disclosures
The authors have nothing to disclose.
Acknowledgements
La pubblicazione di questo manoscritto è stata parzialmente supportata dalla sovvenzione SFI FutureNeruro-Funded Investigator to DT.
Materials
| Electrode cap | ElectroCap International | Or any suitable cap | |
| Conductive gel | SignaGel | Or any suitable gel | |
| Pin-type electrodes | BioSemi | Or any suitable electrode | |
| BioSemi Active Two recording system | BioSemi | ||
| ActiView recording environment | BioSemi | ||
| MATLAB software | Mathworks |
References
- Rosenow, F., Klein, K. M., Hamer, H. M. Non-invasive EEG evaluation in epilepsy diagnosis. Expert Review of Neurotherapeutics. 15 (4), 425-444 (2015).
- Sharmila, A. Epilepsy detection from EEG signals: a review. Journal of Medical Engineering & Technology. 42 (5), 368-380 (2018).
- Nunez, P., Srinivasan, R. . Electric Fields of the Brain: The Neurophysics of EEG. , (2006).
- Glover, G. H. Overview of functional magnetic resonance imaging. Neurosurgery Clinics of North America. 22 (2), 133-vii (2011).
- Lin, E., Alessio, A. What are the basic concepts of temporal, contrast, and spatial resolution in cardiac CT?. Journal of Cardiovascular Computed Tomography. 3 (6), 403-408 (2009).
- Kim, S., Richter, W., Uǧurbil, K. Limitations of temporal resolution in functional MRI. Magnetic Resonance in Medicine. 37, 631-636 (1997).
- Fox, M. D. Mapping Symptoms to Brain Networks with the Human Connectome. New England Journal of Medicine. 379, 2237-2245 (2018).
- Makeig, S., Bell, A., Jung, T. P., Sejnowski, T. Independent component analysis of electroencephalographic data. Advances in neural information processing systems. 8, 145-151 (1996).
- Bowyer, S. M. Coherence a measure of the brain networks: past and present. Neuropsychiatric Electrophysiology. , (2016).
- Srinivasan, R., Winter, W. R., Ding, J., Nunez, P. L. EEG and MEG coherence: measures of functional connectivity at distinct spatial scales of neocortical dynamics. Journal of Neuroscience Methods. 166 (1), 41-52 (2007).
- Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10, 186-198 (2009).
- Baccalá, L., Sameshima, K. Partial directed coherence: a new concept in neural structure determination. Biological Cybernetics. 84, 463-474 (2001).
- Sameshima, K., Baccalá, L. Using partial directed coherence to describe neuronal ensemble interactions. Journal of Neuroscience Methods. 94, 93-103 (1999).
- Seth, A., Barrett, A. B., Barnett, L. Granger causality analysis in neuroscience and neuroimaging. Journal of Neuroscience. 35, 3293-3297 (2015).
- Hesse, W., Möller, E., Arnold, M., Schack, B. The use of time-variant EEG Granger causality for inspecting directed interdependencies of neural assemblies. Journal of Neuroscience Methods. 124, 27-44 (2003).
- Nunez, P. L., et al. EEG coherency. I: Statistics, reference electrode, volume conduction, Laplacians, cortical imaging, and interpretation at multiple scales. Electroencephalography and Clinical Neurophysiology. 103, 499-515 (1997).
- Nunez, P. L., et al. EEG coherency II: experimental comparisons of multiple measures. Clinical Neurophysiology. 110, 469-486 (1999).
- Keogh, C., et al. Clinical and genetic Rett syndrome variants are defined by stable electrophysiological profiles. BMC Pediatrics. 18 (1), 333 (2018).
- Peters, J. M., et al. Brain functional networks in syndromic and non-syndromic autism: a graph theoretical study of EEG connectivity. BMC Medicine. 11, 54 (2013).
- Jie, B., Wee, C., Shen, D., Zhang, D. Hyper-connectivity of functional networks for brain disease diagnosis. Medical Image Analysis. 32, 84-100 (2016).
- Zhang, H., et al. Topographical Information-Based High-Order Functional Connectivity and Its Application in Abnormality Detection for Mild Cognitive Impairment. Journal of Alzheimer’s Disease. 54, 1095-1112 (2016).
- Delorme, A., Scott, M. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods. 134, 1 (2004).
- Calabrese, B. . Encyclopedia of Bioinformatics and Computational Biology. , (2019).
- Colic, S., et al. Support Vector Machines Using EEG Features of Cross-Frequency Coupling Can Predict Treatment Outcome in Mecp2-Deficient Mice. Conference Proceedings of the IEEE Engineering in Medicine and Biology Society. , 5606-5609 (2015).
